NTS-NOTEARS：结合先验知识学习非参数动态贝叶斯网络
机器学习
2023-03-03 v3 人工智能
机器学习
摘要
我们描述了 NTS-NOTEARS，一种用于时间序列数据的基于评分的结构学习方法，用于学习动态贝叶斯网络 (DBN)，以捕捉变量之间的非线性、滞后（跨切片）和瞬时（切片内）关系。NTS-NOTEARS 利用一维卷积神经网络 (CNN) 对子变量对其父变量的依赖关系进行建模；一维 CNN 是一种非常适合序列数据的神经函数逼近模型。遵循 NOTEARS DAG 学习方法，DBN-CNN 结构学习被表述为带有无环约束的连续优化问题。我们展示了如何将依赖关系的先验知识（例如，禁止和必需的边）作为附加优化约束包含在内。在模拟和基准数据上的实证评估表明，与参数和非参数基线方法相比，NTS-NOTEARS 实现了最先进的 DAG 结构质量，在 F1 分数上提高了 10-20%。我们还在从职业冰球比赛中获取的包含连续和离散变量混合的复杂真实世界数据上评估了 NTS-NOTEARS。代码可在线获取。
引用
@article{arxiv.2109.04286,
title = {NTS-NOTEARS: Learning Nonparametric DBNs With Prior Knowledge},
author = {Xiangyu Sun and Oliver Schulte and Guiliang Liu and Pascal Poupart},
journal= {arXiv preprint arXiv:2109.04286},
year = {2023}
}
备注
AISTATS 2023